質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.52%

  • Python

    7928questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • CSV

    633questions

    CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。

[python3]TypeError: expected string or bytes-like object

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 68

Yukiya025

score 55

おはようございます。csvファイルの中に日本語が混ざっていたらその部分を消す、というプログラムを書きたいです。

ですが、「セルの中に日本語が混じっているかどうか」の判定に手間取っています。
日本語は[^\x01-\x7E]で表すことができるというところまでは調べたのですが、
「もしこのセルに日本語があれば消す」という判定文が書けません。
re.subを使えば正規表現を使って置換ができるというのですが、セルをうまく指定できないのです。

よろしくお願いしますorz
csv ファイルの中身

user_id,comment
1,Hi
2,World
3,Hello
5,こんにちは
4,Python
2,きょう
1,あゆむ
3,Sato
5,Flower
4,class
3,find
import csv
import re # Regular expression
import pandas as pd
csv_ori = pd.read_csv('original.csv', sep=",")
# csv_ori = open('original.csv', 'r')
# csvo = csv_ori['comment'][1]
# print(csvo)

for i, index in csv_ori.iterrows():
    print(i)
    re_csv = re.sub('[^\x01-\x7E]', "", csv_ori['comment'][index])

# コードここまで。あとはコメント。
"""
置換後の文字列 = re.sub(正規表現, 置換する文字列, 置換される文字列 [, 置換回数])
for index in csv_ori.iterrows():
    ori = csv_ori['comment'][index]
    # if csv_ori['comment'][index] == '[^\x01-\x7E]'
    # ori = re.sub('[^\x01-\x7E]', '', ori)
    print(ori)

for i, series in data_frame.iterrows():
    # DataFrameオブジェクトのiterrows()メソッドでは、行番号とSeriesがリストとして返ってくる。
    # 変数を2つ用意すると、それぞれに格納される。
    print(i)
    print(series['columnA'], series['columnB'])

for i, index in csv_ori.iterrows():
    print(i)
    print(index['user_id'], index['comment'])


"""

 できましたー(≧∇≦)b

日本語は[^\x01-\x7E]ではなく[亜-熙ぁ-んァ-ヶ]でした! opyon様、ありがとうございます。

import csv
import re # Regular expression
import pandas as pd
import warnings
warnings.filterwarnings('ignore')

csv_ori = pd.read_csv('original.csv', sep=",")
ja_l = []
for i, index in csv_ori.iterrows():
    print('i: ' + str(i))
    com = csv_ori.iloc[i]["comment"]
    ja = re.sub('[亜-熙ぁ-んァ-ヶ]', 'None', com)
    print(ja)
    ja_l.append(ja)

print(ja_l)

for index, row in csv_ori.iterrows():
    csv_ori['comment'][index] = ja_l[index]

csv_ori.to_csv('original.csv', index=False)

出力結果
Terminal

i: 0
Hi
...
...(略)
i: 10
find
['Hi', 'World', 'Hello', 'NoneNoneNoneNoneNone', 'Python', 'NoneNoneNone', 'NoneNoneNone', 'Sato', 'Flower', 'class', 'find']


CSVファイル

user_id,comment
1,Hi
2,World
3,Hello
5,NoneNoneNoneNoneNone
4,Python
2,NoneNoneNone
1,NoneNoneNone
3,Sato
5,Flower
4,class
3,find

 日本語を消したいのはなぜ?

tatsu99さまの質問より。

  • 現在先生(Christian Mayer)についてもらってPythonを学習
  • Pythonの基礎を学ぶことと並行して、実践演習課題もある。 
  • 実践演習課題としてフリーランス案件を選んでコードを書く、というものがある。
  • 私がNeed a Python program to do some data cleaning to a csv fileを選択、そして日本語を抽出する正規表現でコケている。
  • ちなみにcsvファイルは自分でそれっぽく作ってこのファイルを対象にしてコードを書く。

実践演習でいつも時間がアイスクリーム並みに溶けていきます^^;

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • tatsu99

    2018/10/14 12:00

    そもそも、なぜ、「csvファイルの中に日本語が混ざっていたらその部分を消す」ということをなさりたいのでしょうか。

    キャンセル

  • tatsu99

    2018/10/14 12:02

    あと、CSVファイルの文字コードはなんでしょうか。utf8なら、問題なく読めるはずでが、それ以外ならencodingの指定をして、read_csvをする必要があります。

    キャンセル

  • Yukiya025

    2018/10/14 13:13

    tatsu99さま、こんにちは! 質問ありがとうございます(≧▽≦) > csvファイルの中に日本語が混ざっていたらその部分を消す 今先生についてPythonを学んでいます。Pythonの基礎を学ぶことと並行して、実践演習として[freelancer.com](https://www.freelancer.com/archives/python/)からプロジェクトを選んでコードを書くという課題が出ているので、[Need a Python program to do some data cleaning to a csv file](https://www.freelancer.com/projects/python/Need-Python-program-some-data/?w=f)を選びました。 csvファイルは自分でそれっぽく作りました。このCSVファイルをデータクリーニングして、データ分析に耐えうるようにするコードを書こうとしています^^/

    キャンセル

  • Yukiya025

    2018/10/14 13:14

    csvファイルはおっしゃるとおりutf8です^^/

    キャンセル

回答 2

checkベストアンサー

+1

追記

なるべく質問コードの変数名を使ったサンプルコードです。
あとはご自分でアレンジしてみてください。

import csv
import re # Regular expression
import pandas as pd
path_in = r'C:\workspace\Python\memo\test\\'
file_in = r'test.csv'
f_in = path_in + file_in
reg = re.compile('[亜-熙ぁ-んァ-ヶ]+')

csv_ori = pd.read_csv(f_in, sep=",")

dst = []
for index in csv_ori.iterrows():
    print(index[1][1])
    re_csv = re.sub(reg, '', index[1][1])
    print(re_csv)
    dst.append([index[1][0],re_csv])
print(dst)
Hi
Hi
World
World
Hello
Hello
こんにちは

Python
Python
きょう

あゆむ

Sato
Sato
Flower
Flower
class
class
find
find
[[1, 'Hi'], [2, 'World'], [3, 'Hello'], [5, ''], [4, 'Python'], [2, ''], [1, ''], [3, 'Sato'], [5, 'Flower'], [4, 'class'], [3, 'find']]

正規表現 日本語 で検索したら最初にヒットしましたのでご参考まで。

正規表現で日本語を抽出する

[亜-熙ぁ-んァ-ヶ]+

イメージ説明

同じデータから日本語を含むデータ以外をリストにするサンプルコード

import re
path_in = r'C:\workspace\Python\memo\test\\'
file_in = r'test.csv'
reg = re.compile('[亜-熙ぁ-んァ-ヶ]+')

with open(path_in+file_in, "r",encoding="utf-8") as open_file:
    src = [line.split(',') for line in (open_file.read()).split("\n")]
print(src)

dst = []
for line in src:
    m = re.search(reg,line[1])
    if not m:
        dst.append(line)
print(dst)
[['user_id', 'comment'], ['1', 'Hi'], ['2', 'World'], ['3', 'Hello'], ['5', 'こんにちは'], ['4', 'Python'], ['2', 'きょう'], ['1', 'あゆむ'], ['3', 'Sato'], ['5', 'Flower'], ['4', 'class'], ['3', 'find']]
[['user_id', 'comment'], ['1', 'Hi'], ['2', 'World'], ['3', 'Hello'], ['4', 'Python'], ['3', 'Sato'], ['5', 'Flower'], ['4', 'class'], ['3', 'find']]

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

+1

なるほど、そのような事情でしたか。納得しました。1点老婆心ながら、コメントさせていただきます。
本件の要件は、日本語の文字を消したいということですので、それであれば問題ないのですが、
Need a Python program to do some data cleaning to a csv file で要求されていることは、
「英語以外の文字を全て削除したい」ということではないでしょうか。そうであれば、日本語以外の文字も
考慮する必要があります。例えば、ロシア文字(キリル文字)のийは、あなたの修正後のスクリプトを用いても残ってしまいます。例えば、以下の様なCSVファイルです。
user_id,comment
1,Hi
2,World
3,Hello
5,こんにちは
4,Python
2,きょう
1,あゆむ
3,These ий are Russian characters.

この場合、最後の行のийが残ります。
もし、これも含めて、消し去りたいなら、
ja = re.sub('[亜-熙ぁ-んァ-ヶ]', 'None', com)

ja = com.encode("ascii","ignore").decode("ascii")
に変えてください。
尚、
ja = com.encode("ascii","replace").decode("ascii")
とすると、日本語、ロシア語の文字は?に変換されます。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/10/14 16:34

    tatsu99様
    > 英語以外の文字を全て削除したい
    はい、そのとおりですf^^; とはいえ、英語以外というくくりで取得する方法がわからなかったので、とりあえず日本語のみを設定してました。
    ありがとうございます(≧∇≦)

    全部やってみました! すごいですね(゚д゚) はてなへの変換が気に入りました(*^^*)

    キャンセル

  • 2018/10/14 16:42

    GitHubに上げましたー!
    https://github.com/Yukiya025/csvCleaning

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.52%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

  • 解決済

    pythonでsetの要素をひとつづつ取り出したい

    python3で、 words = {"hello", "world", "good", "bad"} などとなっているsetが与えられ、その要素をひとつづつ取り出し変数に入れ

  • 解決済

    PHPのマジックメソッドのPython版

    PHPのメソッドに未定義な関数の呼び出しやプロパティの設定・取得が行われた時に、PHPから呼び出してくれる(いわゆるコールバックしてくれるマジックメソッドがあります。 #!/

  • 解決済

    PythonでcgiのHello World

    環境 Mac OSX 10.11.6 El Capitan MAMP 4.0.1 Apache/2.2.31 Python 3.5.2 やりたい事 Apache上

  • 解決済

    日付からフラグを付ける

    以下のようなdata内の開始月・終了月のデータから月ごとに継続フラグを付けたいです。 開始月          0 201602 1 201602  2 201601

  • 解決済

    python2.7,beautifulsoupでの競馬情報のスクレイピングが、うまく出来ません。

    netkeiba.com様から、python2.7,beautifulsoupでの競馬情報をスクレイピングしておりますが、うまく出来ません。 # -*- coding:utf-

  • 受付中

    大量のCSVデータの処理方法

    100個ほどCSVファイルがあり、 それぞれのファイルで、30×30のセルに数値が入力されています。 この100個のCSVファイルに対して、同じセル座標について最大値最小値を計算し

  • 解決済

    Pythonのリストの中の数値の判定

    pythonのリストで質問があります。 log.csv 2017/08/26 08:00, 1, 2017/08/26 08:05, 0, 2017/08/26 09:00, 

  • 解決済

    Python 内包表記

    jupyter notebookでとある数列を求めるプログラムを作りました。 for文の中にあるfor文(for j in range(compare.size + 1)...)を

同じタグがついた質問を見る

  • Python

    7928questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • CSV

    633questions

    CSV(Comma-Separated Values)はコンマで区切られた明白なテキスト値のリストです。もしくは、そのフォーマットでひとつ以上のリストを含むファイルを指します。